关于利用图神经网络在入侵检测系统中检测对抗性攻击的方法

《The Computer Journal》：On adversarial attack detection in intrusion detection system with graph neural network

　　入侵检测系统对抗性逃逸攻击检测精度不足，本文提出基于图神经网络的AEDGNN模型。通过E-GraphSAGE捕捉网络拓扑关系，结合DGI自监督训练最大化局部与全局表示互信息，有效提升检测性能。实验表明，AEDGNN在正常样本检测精度提高0.02%-1.53%，对抗样本检测精度提升26.04%-59.04%，优于传统方法。

　　

摘要

迄今为止，机器学习模型已被广泛应用于入侵检测系统（IDS）中，以提高检测准确性。然而，大多数IDS系统都容易受到对抗性攻击的影响，这些攻击可能导致数据丢失和用户隐私泄露。尽管已经提出了许多针对对抗性攻击的解决方案，但这些方案往往忽略了不同网络流量之间的关系，并且过度依赖数据标签。因此，本文提出了一种新的方法AEDGNN，该方法利用图神经网络（GNN）模型来检测对抗性攻击。一方面，AEDGNN采用E-GraphSAGE来捕捉IDS中的网络拓扑结构，从而建立不同输入之间的关系；另一方面，AEDGNN利用深度图信息最大化（DGI）以自监督的方式训练GNN，以最大化局部表示和全局表示之间的互信息。为了验证AEDGNN在防御传统对抗性攻击方面的实际性能，我们在CIC-IDS2018基准数据集上对AEDGNN和经典机器学习模型进行了实验。实验结果表明，与经典解决方案相比，AEDGNN在正常样本和对抗性样本上的检测性能均有显著提升。对于正常样本，AEDGNN的准确率比经典解决方案高出0.02%–1.53%；对于对抗性样本，AEDGNN的准确率高出26.04%–59.04%。